CN111506045A - 一种基于单值中智集相关系数的故障诊断方法 - Google Patents
一种基于单值中智集相关系数的故障诊断方法 Download PDFInfo
- Publication number
- CN111506045A CN111506045A CN202010331252.8A CN202010331252A CN111506045A CN 111506045 A CN111506045 A CN 111506045A CN 202010331252 A CN202010331252 A CN 202010331252A CN 111506045 A CN111506045 A CN 111506045A
- Authority
- CN
- China
- Prior art keywords
- fault
- mode
- detected
- value
- triangular fuzzy
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0275—Fault isolation and identification, e.g. classify fault; estimate cause or root of failure
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/02—Computing arrangements based on specific mathematical models using fuzzy logic
Abstract
本发明公开了一种基于单值中智集相关系数的故障诊断方法,包括以下步骤:步骤一、依据故障样板模式数据集生成三角模糊数;步骤二、依据传感器测量数据生成待检模式的三角模糊数;步骤三、依据故障样板与待检模式三角模糊数匹配生成在各故障特征上的各故障类型的单值中智集表示;步骤四、计算各故障类型下单值中智集表示与理想中智集表示行向量的相关系数来判断待检模式所属故障类型。本发明在三角模糊数的基础上,结合单值中智集处理不确定信息的优势,将故障样板与待检模式三角模糊数匹配生成在各故障特征上的各故障类型的单值中智集表示,并求出各故障类型下单值中智集表示与理想中智集表示行向量的相关系数,从而识别待检模式故障类型,可以有效处理不确定信息,提高故障识别的准确率。
Description
技术领域
本发明属于故障诊断领域,具体涉及一种基于单值中智集相关系数的故障诊断方法。
背景技术
现代生产系统通常复杂、高速,生产设备也随之增多。在实际使用中,设备或系统出现故障不可避免。然而,一旦在运转过程中发生故障,可能会造成很大的损失。因此,及时对设备及系统进行故障诊断可以有效监督运行状态,防止事故发生。
故障诊断主要是对系统异常运行状态进行判断,并对故障类型及部位进行有效识别。概括而言,故障诊断方法可以分成两大类:基于数学模型的故障诊断方法、基于人工智能的故障诊断方法。现代机械设备结构复杂,且受到众多主客观外部因素的影响,使得传感器探测信息存在不确定性。对于诊断信息的这种模糊现象,需要使用模糊数学方法进行处理。中智集可以很好的表示模糊信息的不一致或不连续,在处理模糊信息方面具有优势,被广泛应用于故障诊断,多准则决策等领域。
多数情况下故障现象与故障原因间关系不明确,在单一故障特征下对故障类型进行判断往往存在很大误差。因此,有必要同时在几种故障特征下进行故障类型的判断,这样可以实现对诊断目标的准确认知。
因此,本申请基于单值中智集理论,使用传感器探测得到的样本信息,生成单值中智集与理想中智集行向量的相关系数来识别设备故障类型,一方面可以较好处理传感器信息的不确定性,另一方面又可以提升故障识别的准确率。
发明内容
本发明所要解决的技术问题是:如何实现设备故障诊断。使用该方法实现故障诊断对设备安全领域具有重要意义。
为解决上述技术问题,本发明采用的技术方案是一种基于单值中智集相关系数的故障诊断方法,其特征在于,包括以下步骤:
1、一种基于单值中智集相关系数的故障诊断方法,其特征在于,包括以下步骤:
步骤一、依据故障样板模式数据集生成三角模糊数;
输入m种故障类型、n种故障特征的故障样板模式数据集Dij,i=1,2,…,m,j=1,2,…,n,故障类型表示为F={F1,F2,…,Fm},故障特征表示为C={C1,C2,…,Cn}。故障样板模式数据集Dij是n种故障特征的测量值,根据Dij生成各种故障特征下的三角模糊数,生成方法为:
步骤二、生成待检模式数据T的三角模糊数;
步骤201:基于待检模式数据T的测量值,根据步骤101计算出待检模式数据T在故障特征Cj上的三角模糊数;
步骤202:根据步骤102计算出待检模式数据T在故障特征Cj上的三角模糊数面积Sj;
步骤三、依据故障样板与待检模式三角模糊数匹配生成在各故障特征上的各故障类型的单值中智集表示;
步骤301:将故障样板中故障类型Fi在故障特征Cj上的三角模糊数与待检模式在故障特征Cj上的三角模糊数进行匹配,根据公式 生成待检模式T在故障特征Cj上属于故障类型Fi的单值中智集表示aij=<tij,fij,gij>,其中S∩j表示在故障特征Cj上的待检模式三角模糊数与故障模板三角模糊数的重叠面积,Sj表示在故障特征Cj上的待检模式三角模糊数的面积,Sij表示在故障特征Cj上的故障类型Fi的样板模式三角模糊数的面积;
步骤302:依据步骤301生成待检模式T在所有故障类型下所有故障特征上的单值中智集表示,由此生成单值中智集表示构成的决策矩阵D=(aij)m×n=[A1,A2,…,Am]T,其中Ai=[ai1,ai2,…,ain](i=1,2,...,m)表示待检模式T针对故障类型Fi在n种故障特征上生成的单值中智集表示所构成的行向量;
步骤四、计算各故障类型下单值中智集表示与理想中智集表示行向量的相关系数来判断待检模式所属故障类型;
步骤403:对步骤402计算得到的相关系数进行排序,最大的即为待检模式所属的故障类型。
本发明与现有技术相比具有以下有益效果:
1、本发明的步骤简单、设计合理,实现及使用操作方便。
2、本发明通过三角模糊数表示故障样本信息,并生成待检模式的中智集表示,能够有效处理传感器探测信息的不确定性;
3、本发明通过相关系数表示各故障类型下单值中智集与理想中智集行向量的相关性,提升了故障识别的准确率。
综上所述,本发明技术方案设计合理,将故障样板模式数据集生成三角模糊数,并将待检模式与故障样板三角模糊数匹配生成单值中智集表示,并使用相关系数计算各故障类型下单值中智集与理想中智集行向量的相关性,既能够有效处理故障信息的不确定性,又提高故障识别的准确性。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明的方法流程图
图2为本发明中故障类型Fi在故障特征Cj上生成的单值中智集表示示意图
具体实施方式
下面结合附图及本发明的实施例对本发明的方法做进一步的详细说明。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的故障类型可以相互组合。下面将参考附图并结合实施例来详细说明本发明。
需要注意的是,这里所使用的术语仅仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施方式例如能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为了便于描述,在这里可以使用空间相对术语,如“在……之上”、“在……上方”、“在……上表面”、“上面的”等,用来描述如在图中所示的一个器件或特征与其他器件或特征的空间位置关系。应当理解的是,空间相对术语旨在包含除了器件在图中所描述的方位之外的在使用或操作中的不同方位。例如,如果附图中的器件被倒置,则描述为“在其他器件或构造上方”或“在其他器件或构造之上”的器件之后将被定位为“在其他器件或构造下方”或“在其他器件或构造之下”。因而,示例性术语“在……上方”可以包括“在……上方”和“在……下方”两种方位。该器件也可以其他不同方式定位(旋转90度或处于其他方位),并且对这里所使用的空间相对描述作出相应解释。
如图1所示,本发明包括以下步骤:
1、一种基于单值中智集相关系数的故障诊断方法,其特征在于,包括以下步骤:
步骤一、依据故障样板模式数据集生成三角模糊数;
实际使用时,采用传感器采集到m种故障类型F1,F2,…,Fm在n种故障特征C1,C2,…,Cn上的测量值生成故障样板模式数据集Dij,i=1,2,…,m,j=1,2,…,n。多个故障特征数据能更充分地反映目标情况,从而提高目标识别的准确性;其次,三角模糊数可以有效表示不确定性,稳定性好。因此,生成每种故障类型每种故障特征下的三角模糊数,生成方法为:
步骤二、生成待检模式数据T的三角模糊数;
考虑到传感器测量值与真实值之间存在一定误差,本申请采用三角模糊数表示传感器测量值,从而有效处理测量值的不确定性。具体步骤为:
步骤201:基于待检模式数据T的测量值,根据步骤101计算出待检模式数据T在故障特征Cj上的三角模糊数;
步骤202:根据步骤102计算出待检模式数据T在故障特征Cj上的三角模糊数面积Sj;
步骤三、依据故障样板与待检模式三角模糊数匹配生成在各故障特征上的各故障类型的单值中智集表示;
本发明基于单值中智集理论将故障样板与待检模式三角模糊数进行匹配生成待检样本T在各故障特征上的各故障类型的单值中智集表示。如图2所示,以故障样板中故障类型Fi上的故障特征Cj的三角模糊数与步骤二中待检模式的三角模糊数匹配为例,其中实线表示故障样板数据在故障类型Fi上的故障特征Cj的三角模糊数,则Sij为其与横轴围成的面积;虚线表示待检模式生成的三角模糊数,则Sj为其与横轴围成的面积;阴影部分为二者相交部分,面积用S∩j表示。此种情况下生成的中智集表示包含待检模式T在故障特征Cj上属于故障类型Fi的确定隶属度tij、非隶属度fij、不确定隶属度gij,具有处理不确定与模糊信息的优势,具体生成方法如下:
步骤301:将故障样板中故障类型Fi在故障特征Cj上的三角模糊数与待检模式在故障特征Cj上的三角模糊数进行匹配,根据公式 生成待检模式T在故障特征Cj上属于故障类型Fi的单值中智集表示aij=<tij,fij,gij>,其中S∩j表示在故障特征Cj上的待检模式三角模糊数与故障模板三角模糊数的重叠面积,Sj表示在故障特征Cj上的待检模式三角模糊数的面积,Sij表示在故障特征Cj上的故障类型Fi的样板模式三角模糊数的面积;
步骤302:依据步骤301生成待检模式T在所有故障类型下所有故障特征上的单值中智集表示,由此生成单值中智集表示构成的决策矩阵D=(aij)m×n=[A1,A2,…,Am]T,其中Ai=[ai1,ai2,…,ain](i=1,2,...,m)表示待检模式T针对故障类型Fi在n种故障特征上生成的单值中智集表示所构成的行向量;
步骤四、计算各故障类型下单值中智集表示与理想中智集表示行向量的相关系数来判断待检模式所属故障类型;
生成每种故障类型下各故障特征上的中智集表示后,则构成了多个故障信息源。若仅依靠单一故障特征上的中智集表示判断故障类型可能存在较大的误差,因此,需要使用所有故障特征上的信息来计算单值中智集与理想中智集行向量的相关系数,提升诊断准确率,具体方法为:
步骤403:对步骤402计算得到的相关系数进行排序,最大的即为待检模式所属的故障类型。
以上所述,仅是本发明的实施例,并非对本发明作任何限制,凡是根据本发明技术实质对以上实施例所作的任何简单修改、变更以及等效结构变化,均仍属于本发明技术方案的保护范围内。
Claims (1)
1.一种基于单值中智集相关系数的故障诊断方法,其特征在于,包括以下步骤:
步骤一、依据故障样板模式数据集生成三角模糊数;
输入m种故障类型、n种故障特征的故障样板模式数据集Dij,i=1,2,…,m,j=1,2,…,n,故障类型表示为F={F1,F2,…,Fm},故障特征表示为C={C1,C2,…,Cn}。故障样板模式数据集Dij是n种故障特征的测量值,根据Dij生成各种故障特征下的三角模糊数,生成方法为:
步骤二、生成待检模式数据T的三角模糊数;
步骤201:基于待检模式数据T的测量值,根据步骤101计算出待检模式数据T在故障特征Cj上的三角模糊数;
步骤202:根据步骤102计算出待检模式数据T在故障特征Cj上的三角模糊数面积Sj;
步骤三、依据故障样板与待检模式三角模糊数匹配生成在各故障特征上的各故障类型的单值中智集表示;
步骤301:将故障样板中故障类型Fi在故障特征Cj上的三角模糊数与待检模式在故障特征Cj上的三角模糊数进行匹配,根据公式 生成待检模式T在故障特征Cj上属于故障类型Fi的单值中智集表示aij=<tij,fij,gij>,其中S∩j表示在故障特征Cj上的待检模式三角模糊数与故障模板三角模糊数的重叠面积,Sj表示在故障特征Cj上的待检模式三角模糊数的面积,Sij表示在故障特征Cj上的故障类型Fi的样板模式三角模糊数的面积;
步骤302:依据步骤301生成待检模式T在所有故障类型下所有故障特征上的单值中智集表示,由此生成单值中智集表示构成的决策矩阵D=(aij)m×n=[A1,A2,…,Am]T,其中Ai=[ai1,ai2,…,ain](i=1,2,...,m)表示待检模式T针对故障类型Fi在n种故障特征上生成的单值中智集表示所构成的行向量;
步骤四、计算各故障类型下单值中智集表示与理想中智集表示行向量的相关系数来判断待检模式所属故障类型;
步骤403:对步骤402计算得到的相关系数进行排序,最大的即为待检模式所属的故障类型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010331252.8A CN111506045B (zh) | 2020-04-24 | 2020-04-24 | 一种基于单值中智集相关系数的故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010331252.8A CN111506045B (zh) | 2020-04-24 | 2020-04-24 | 一种基于单值中智集相关系数的故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111506045A true CN111506045A (zh) | 2020-08-07 |
CN111506045B CN111506045B (zh) | 2022-03-01 |
Family
ID=71871256
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010331252.8A Active CN111506045B (zh) | 2020-04-24 | 2020-04-24 | 一种基于单值中智集相关系数的故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111506045B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113408441A (zh) * | 2021-06-24 | 2021-09-17 | 武汉理工大学 | 基于DRSN和person相关系数的道床故障预警方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103064019A (zh) * | 2013-01-04 | 2013-04-24 | 河海大学常州校区 | 基于灰色关联模糊聚类的高压断路器故障诊断方法 |
CN105628380A (zh) * | 2015-12-25 | 2016-06-01 | 绍兴文理学院 | 一种可调式中智模型轴承故障分类器及其故障分类方法 |
KR101625087B1 (ko) * | 2014-12-04 | 2016-06-01 | 피앤씨주식회사 | 고조파 분석에 의한 전기설비 고장 진단장치 |
CN108398939A (zh) * | 2018-03-01 | 2018-08-14 | 西北工业大学 | 一种基于ds证据理论的故障诊断方法 |
CN108446458A (zh) * | 2018-03-01 | 2018-08-24 | 西北工业大学 | 一种基于ds证据理论的加权融合故障诊断方法 |
CN110059413A (zh) * | 2019-04-19 | 2019-07-26 | 中国航空无线电电子研究所 | 一种故障诊断方法 |
CN110673568A (zh) * | 2019-10-25 | 2020-01-10 | 齐鲁工业大学 | 玻璃纤维制造业工业设备故障顺序确定方法及系统 |
-
2020
- 2020-04-24 CN CN202010331252.8A patent/CN111506045B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103064019A (zh) * | 2013-01-04 | 2013-04-24 | 河海大学常州校区 | 基于灰色关联模糊聚类的高压断路器故障诊断方法 |
KR101625087B1 (ko) * | 2014-12-04 | 2016-06-01 | 피앤씨주식회사 | 고조파 분석에 의한 전기설비 고장 진단장치 |
CN105628380A (zh) * | 2015-12-25 | 2016-06-01 | 绍兴文理学院 | 一种可调式中智模型轴承故障分类器及其故障分类方法 |
CN108398939A (zh) * | 2018-03-01 | 2018-08-14 | 西北工业大学 | 一种基于ds证据理论的故障诊断方法 |
CN108446458A (zh) * | 2018-03-01 | 2018-08-24 | 西北工业大学 | 一种基于ds证据理论的加权融合故障诊断方法 |
CN110059413A (zh) * | 2019-04-19 | 2019-07-26 | 中国航空无线电电子研究所 | 一种故障诊断方法 |
CN110673568A (zh) * | 2019-10-25 | 2020-01-10 | 齐鲁工业大学 | 玻璃纤维制造业工业设备故障顺序确定方法及系统 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113408441A (zh) * | 2021-06-24 | 2021-09-17 | 武汉理工大学 | 基于DRSN和person相关系数的道床故障预警方法 |
CN113408441B (zh) * | 2021-06-24 | 2022-06-10 | 武汉理工大学 | 基于DRSN和person相关系数的道床故障预警方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111506045B (zh) | 2022-03-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107357275B (zh) | 非高斯工业过程故障检测方法及系统 | |
CN107153409B (zh) | 一种基于缺失变量建模思路的非高斯过程监测方法 | |
Guh | Simultaneous process mean and variance monitoring using artificial neural networks | |
CN109409425B (zh) | 一种基于近邻成分分析的故障类型识别方法 | |
CN111562108A (zh) | 一种基于cnn和fcmc的滚动轴承智能故障诊断方法 | |
CN111751133B (zh) | 一种基于非局部均值嵌入的深度卷积神经网络模型的智能故障诊断方法 | |
CN113838054B (zh) | 基于人工智能的机械零件表面损伤检测方法 | |
CN112414694B (zh) | 基于多元状态估计技术的设备多级异常状态识别方法及装置 | |
EP3876056A1 (en) | Abnormality detection device, abnormality detection method, and program | |
Hajihosseini et al. | Fault detection and isolation in the challenging Tennessee Eastman process by using image processing techniques | |
CN109298633A (zh) | 基于自适应分块非负矩阵分解的化工生产过程故障监测方法 | |
CN111122811A (zh) | 一种oica和rnn融合模型的污水处理过程故障监测方法 | |
CN114118219A (zh) | 基于数据驱动的长期加电设备健康状态实时异常检测方法 | |
CN111007390B (zh) | 基于代数方法的模拟电路故障诊断模型 | |
CN111506045B (zh) | 一种基于单值中智集相关系数的故障诊断方法 | |
Lei et al. | Fault diagnosis of rotating machinery based on a new hybrid clustering algorithm | |
CN109389313B (zh) | 一种基于加权近邻决策的故障分类诊断方法 | |
CN111079591A (zh) | 基于改进多尺度主成分分析的不良数据修复方法及系统 | |
CN110488149A (zh) | 基于小波求和极限学习机sw-elm的输电线路短路故障分类与定位方法 | |
CN111914384A (zh) | 一种基于自相关潜变量模型的化工过程状态监测方法 | |
CN115758200A (zh) | 一种基于相似度度量的振动信号故障识别方法及系统 | |
CN115859077A (zh) | 一种变工况下多特征融合的电机小样本故障诊断方法 | |
CN113627539A (zh) | 滚动轴承复合故障诊断方法、系统、存储介质及计算设备 | |
CN114383648A (zh) | 一种温度仪表故障诊断方法及装置 | |
CN113449809A (zh) | 一种基于kpca-nsvdd的电缆绝缘在线监测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |